[journal] Analisis Risiko dan Peluang Artificial Intelligence dalam Proses Bisnis Pengawasan Obat dan Makanan.pdf

Jurnal Widyaiswara Indonesia Vol. 4, No. 3, September 2023, pp. 99-114 99
e-ISSN 2721-2440
p-ISSN 2722-7464
Analisis Risiko dan Peluang Artificial Intelligence dalam Proses
Bisnis Pengawasan Obat dan Makanan
Perdhana Ari Sudewo a,1,*
, Clara Diana Setyawati b,2
, Ritti Piany Sangadji c,3
a
Pusat Pengembangan Sumber Daya Manusia Pengawasan Obat dan Makanan, Jl. Percetakan Negara No. 23, Jakarta Pusat
b
Balai Pengawas Obat dan makanan di Tangerang, Griya Idola Industrial Park, Jl. Raya Serang Km.12, Kabupaten Tangerang, Banten
c
Loka Pengawas Obat dan makanan di Kab. Kepulauan Tanimbar, Jl. Ir Soekarno, Saumlaki, Kab. Kepulauan Tanimbar, Maluku
1
perdhana.ari@pom.go.id*; 2
clara.dsetyawati@pom.go.id; 3
ritti.sangadji@pom.go.id
* corresponding author
ARTICLE INFO ABSTRACT / ABSTRAK
Article history
Received:
10 Januari 2024
Revised:
14 Januari 2024
Accepted:
15 Januari 2024
Hadirnya teknologi Artificial Intelligence (AI) serta Machine Learning (ML) di berbagai sektor dan
bidang pekerjaan telah mengubah proses bisnis, termasuk di proses bisnis dan pengawasan obat
dan makanan. Diperlukan pemahaman mendalam tentang peran AI maupun ML, risiko dan
peluang pemanfaatannya, serta kerangka regulasi tingkat nasional dan internasional untuk
menjamin obat dan makanan aman, berkhasiat, dan bermutu, mulai dari pengembangan produk
sampai produk dikonsumsi masyarakat. Kajian ini bertujuan untuk menganalisis risiko dan
peluang hadirnya teknologi AI dalam proses bisnis dan pengawasan obat dan makanan, dilakukan
dengan pendekatan risk-based thinking sesuai dengan Quality Management System (QMS) ISO
9001:2015. Metode kualitatif melalui analisis jurnal dan artikel tentang AI di bidang obat ,
makanan, dan kesehatan dilakukan untuk menghasilkan kesimpulan kajian. Berdasarkan kajian
yang dilakukan diketahui bahwa hadirnya AI memiliki potensi risiko terkait kualitas dan validitas
keluaran (output), risiko privasi dan keamanan data, risiko kesenjangan kompetensi dan
keterampilan Sumber Daya Manusia (SDM), risiko ketergantungan terhadap teknologi AI, serta
risiko belum tersedianya kebijakan dan regulasi yang memastikan AI digunakan secara etis. Di
sisi lain, hadirnya AI juga memberikan peluang terkait percepatan pengembangan produk obat
dan makanan, meningkatkan efisiensi produksi, pengembangan pengobat an atau pelayanan
kesehatan, pengembangan kebijakan, meningkatkan efisiensi dan kualitas melalui pemantauan
kualitas produk, identifikasi produk palsu, pemantauan efek samping, serta memprediksi
keamanan produk. Dengan adanya risiko dan peluang dari AI, penting bagi organisasi untuk
mengidentifikasi, mengelola risiko yang mungkin timbul, dan mengambil tindakan yang tepat
untuk memitigasi risiko serta memaksimalkan peluang guna mencapai tujuan organisasi dalam
pengawasan obat dan makanan.
The presence of Artificial Intelligence (AI) and Machine Learning (ML) technology in various sectors and
fields of work has changed business processes, including business processes and food and drug control. Needed
of in in-depth understanding of the role of AI and ML, the risks and opportunities for their use, as well as
the regulatory framework at the national and international levels to ensure that food and drug are safe,
efficacious, and of good quality, from product development until the public consumes the product. This study
aims to analyze the risks and opportunities of the presence of AI technology in business processes and food
and drug control, carried out using a risk-based thinking approach following the Quality Management
System (QMS) ISO 9001:2015. Qualitative methods through analysis of journals and articles about AI in
the fields of Pharma, Food, and Health were carried out to produce study conclusions. Based on the studies
conducted, it is known that the presence of AI has potential risks related to the quality and validity of the
output, data privacy and security risks, the risk of gaps in competency and skills in Human Resources (HR),
the risk of dependence on AI technology, as well as the risk of not having available policies and regulations
that ensure AI is used ethically. On the other hand, the presence of AI also provides opportunities related to
accelerating the development of food and drug products, increasing production efficiency, developing
treatment or health services, developing policies, increasing efficiency and quality through monitoring
product quality, identifying counterfeit products, monitoring side effects, and predicting safety of product.
Given the risks and opportunities from AI, it is important for organizations to identify, manage possible
risks, and take appropriate action to mitigate risks and maximize opportunities to achieve organizational
goals in the food and drug control.
Kata Kunci: data, kebijakan, learning, machine
Keywords: data, policy, learning, machine

100 Jurnal Widyaiswara Indonesia Vol. 4, No. 3, September 2023, pp. 99-114
e-ISSN 2721-2440
p-ISSN 2722-7464
Perdhana Ari Sudewo et.al. (Analisis Risiko dan Peluang Artificial Intelligence dalam Proses Bisnis Pengawasan Obat dan Makanan)
1. Pendahuluan
Revolusi industri 4.0 berdampak signifikan terhadap masifnya pengembangan teknologi Artificial Intelligence
(AI). Ide dan gagasan terkait dengan AI telah ada sejak tahun 1950 dengan salah satu ahli yang berpengaruh dalam
perkembangan AI adalah Alan Turing (Muggleton, 2014), berlanjut pengembangannya tahun 1970-an (Yuan et
al., 2020), dan terus dikembangkan pada akhir tahun 1980-an (Van den Besselaar & Leydesdorff, 1996) sampai
dengan saat ini. Dalam artikelnya di Mind tahun 1950, Alan Turing telah menyampaikan visinya tentang AI,
yaitu mengembangkan 3 (tiga) alternatif dalam pengembangan AI, yaitu pengembangan AI melalui
pemrograman, melalui pembelajaran mesin ab initio, dan pengembangan AI dengan menggunakan logika,
probabilitas, pembelajaran, dan pengetahuan latar belakang. Konsep AI merujuk pada desain mesin, program,
dan sistem yang dapat bertindak dengan kemampuan pemikiran dan pengambilan keputusan yang mirip dengan
manusia (Liu et al., 2021), serta mampu melakukan pekerjaan yang memerlukan kecerdasan manusia, seperti
pemrosesan bahasa alami, pengenalan wajah, pengenalan suara, dan pengambilan keputusan (Van den Besselaar
& Leydesdorff, 1996).
Dewasa ini, seiring dengan revolusi industri 4.0, AI seperti menemukan momentum untuk menjadi sebuah
ledakan (explosion) teknologi dan mewarnai semua sendi kehidupan manusia. AI didefinisikan sebagai istilah
umum dalam penggunaan teknologi komputer untuk membuat model perilaku cerdas dengan meminimalisir
intervensi manusia, melakukan pemrosesan data dan membantu pengambilan keputusan otomatis dengan
menggunakan algoritma Machine Learning dan Deep Learning (Hamet & Tremblay, 2017). AI juga disebut sebagai
teknik yang digunakan untuk menciptakan sistem dengan perilaku yang mirip dengan manusia (Kolluri et al.,
2022). Definisi lain menyebutkan bahwa AI merupakan simulasi proses kecerdasan manusia oleh teknologi
komputer, mencakup perolehan informasi, pengembangan ketentuan penggunaan informasi, penarikan
kesimpulan, baik prediksi maupun pasti, serta evaluasi. AI dikembangkan dengan pengetahuan yang
dipersonifikasikan, serta belajar dari solusi yang dihasilkannya dalam mengatasi masalah spesifik maupun
kompleks (Mak & Pichika, 2019). Saat ini, AI telah mempengaruhi dan digunakan pada berbagai sektor penting
hidup manusia, termasuk pendidikan, ekonomi, bisnis, hukum, dan kesehatan (Bohr & Memarzadeh, 2020;
Chen et al., 2020; Surden, 2019; Whig, 2019). AI sebagai sebuah teknologi dikembangkan dengan tujuan untuk
membantu, mempermudah, menyederhanakan, dan mempercepat aktivitas manusia.
Pada awalnya, penelitian dan pengembangan AI lebih banyak berfokus pada matematika dan teori, tetapi
kemudian beralih ke aplikasi praktis seiring dengan masifnya kolaborasi antara peneliti di bidang teknologi AI
dan bidang ilmu lainnya. Lebih lanjut dijelaskan pada periode 2009-2018 yang dikenal dengan istilah "jaringan
sosial" dan "jaringan sensor nirkabel" merupakan periode perluasan aplikasi AI pada berbagai sektor kehidupan,
seiring dengan pergeseran fokus penelitian AI dari matematika dan teori ke aplikasi praktis AI pada kehidupan
manusia (Yuan et al., 2020). Perkembangan tersebut menyebabkan AI digunakan di hampir seluruh bidang
kehidupan manusia. Dalam konteks industri kesehatan misalnya, AI telah menjadi teknologi penting dalam
pengembangan alat kesehatan, dan dewasa ini juga digunakan dalam pengembangan obat (U.S. Food and Drug
Administration, 2023). Penggunaan AI dalam kesehatan mencakup diagnosa penyakit, analisis data genetik
pasien, dan percepatan pengobat an. Di Amerika Serikat, rumah sakit menggunakan AI untuk mendiagnosis
kanker payudara dan melanoma. Sementara di Inggris, National Health Service (NHS) telah mengembangkan
aplikasi AI untuk membantu dokter dalam mendiagnosis penyakit jantung dan stroke (Tsai et al., 2023). Selain
itu, beberapa perusahaan besar teknologi seperti Google, IBM, dan Amazon telah merambah investasi pada
sektor kesehatan dengan mengembangkan produk dan layanan AI yang inovatif (Bohr & Memarzadeh, 2020).
Penggunaan AI juga meluas hingga ke industri obat dan makanan. Para ahli menyampaikan bahwa
peningkatan luar biasa dalam kekuatan komputasi ditambah dengan kemajuan teknologi AI dapat dimanfaatkan
untuk merevolusi proses pengembangan obat (Mak & Pichika, 2019). Di bidang obat atau farmasi, AI digunakan
dalam hal penemuan dan pengembangan obat baru (Sloane & Silva, 2020). AI membantu mengidentifikasi target
terapetik baru, mempercepat pengembangan obat , menemukan senyawa awal, membantu melakukan prediksi
dalam analisis Absorption, Distribution, Metabolism, Excretion, dan Toxicity (ADMET) produk farmasi, dan desain uji
klinis (Gupta et al., 2021). AI memungkinkan analisis data genetika dan biologis yang besar untuk
mengidentifikasi target obat potensial, memprediksi aktivitas dan toksisitas molekul obat , serta
mengoptimalkan calon obat baru dengan memprediksi sifat farmakokinetik dan farmakodinamik. Para peneliti
telah menyampaikan bahwa teknologi AI telah membantu mengatasi beberapa tantangan dalam proses penemuan
obat , seperti meningkatkan efisiensi dalam proses screening, mempercepat identifikasi kandidat obat , dan
mengurangi biaya serta waktu yang diperlukan dalam pengembangan obat (Bohr & Memarzadeh, 2020; Gupta
et al., 2021; Hamet & Tremblay, 2017).

e-ISSN 2722-2440
p-ISSN 2721-7464
Dalam bidang industri makanan, khususnya produksi pangan, AI memiliki peran penting dalam menciptakan
produksi pangan yang berkelanjutan. Dalam hal ini, AI digunakan untuk memberikan analisis risiko prediktif dan
dukungan keputusan preskriptif dalam rantai pasokan pangan global yang efisien dan fleksibel (Marvin et al.,
2022). Terdapat berbagai jenis aplikasi AI yang digunakan dalam pengolahan pangan, seperti teknologi
pemindaian untuk mengetahui nilai gizi makanan, pengembangan metode untuk kuantifikasi bahan nano dalam
makanan, dan manajemen rantai pasokan (Addanki et al., 2022). Selain itu, teknologi AI juga membantu
mencegah pemborosan makanan di pengecer dengan harga dinamis berdasarkan sisa umur kadaluarsa produk
pangan dan memetakan produk-produk yang mendekati tanggal kedaluwarsa langsung ke konsumen (Addanki et
al., 2022; Marvin et al., 2022).
Perkembangan AI yang masif dewasa ini tentunya harus diimbangi dengan kebijakan atau regulasi yang
adaptif, serta mengikatnya agar kehadiran AI dapat dirasakan manfaat seluas-luasnya untuk kehidupan manusia,
dan memilimalisir resiko yang terjadi. Dari kacamata global, organisasi internasional terkait dengan produk obat
dan makanan mulai mempertimbangkan peran AI dalam strategi kebijakannya. Misalnya, di Amerika Serikat,
karena banyaknya perusahaan obat dan makanan yang berinvestasi pada teknologi AI, United State Food and Drug
Administration (US FDA) telah mengeluarkan panduan tentang penggunaan AI dalam pengembangan obat dan
perangkat medis, serta memberikan persyaratan untuk pengujian dan persetujuan produk-produk tersebut
(Sloane & Silva, 2020). US FDA mengatur perangkat medis dan telah mengizinkan sekitar 40 perangkat medis
berbasis AI. Di Eropa, telah dikembangkan pedoman etika untuk AI yang diterbitkan oleh Kelompok Ahli
Tingkat Tinggi Komisi Eropa tentang AI, dengan fokus pada pengembangan AI yang etis dan transparan.
Pedoman ini memberikan kerangka kerja untuk memastikan pengembangan dan penggunaan AI dilakukan
dengan etika, transparansi, dan menghormati hak asasi manusia (Gerke et al., 2020; Sloane & Silva, 2020).
Sedangkan regulasi terkait AI dalam produksi pangan di berbagai negara, rata-rata sedang dalam
pengembangan atau masih dalam tahap analisis dan evaluasi awal penyusunan kajian kebijakan. Beberapa
rekomendasi kebijakan telah dikembangkan di bidang ini oleh berbagai organisasi di bidang keamanan pangan
maupun berbagai forum diskusi, seperti European Interoperability Framework (EIF) for governance, Data Collection and
Data Modelling recommendations of European Food Safety Authority (EFSA), serta Analysis, Integration, Dissemination,
and Adoption (AIDA) pada forum Public Hearing on AI dan Agriculture and Food Security oleh European Parlement.
Meskipun demikian, karena produksi pangan melibatkan banyak pihak, termasuk petani, produsen, pengecer,
dan konsumen, maka regulasi yang berkaitan dengan AI dalam produksi pangan harus mempertimbangkan
berbagai kepentingan dan perspektif yang berbeda. Selain itu, karena penggunaan AI dalam produksi pangan
melibatkan pengumpulan dan pengolahan data, maka masalah kepemilikan data, privasi, dan transparansi juga
menjadi perhatian penting dalam pengembangan regulasi di bidang ini (Marvin et al., 2022).
Dengan melihat perkembangan AI pada sektor industri obat dan makanan di luar negeri yang masif, begitu
juga pengembangan kebijakannya dalam mengawal AI pada industri obat dan makanan, maka sudah menjadi
keharusan bagi Indonesia untuk menyiapkan kebijakan dan regulasi terkait AI, utamanya untuk menjamin
keamanan, khasiat, dan mutu produk obat dan makanan yang diedarkan di Indonesia. Perkembangan AI harus
dilihat dari sisi aspek peluang maupun risikonya, khususnya risiko terhadap kesehatan masyarakat, maupun risiko
terhadap keamanan, khasiat, dan mutu produk obat dan makanan. Regulasi tentang obat dan makanan, serta
pengawasannya di Indonesia saat ini belum sepenuhnya mampu memayungi perkembangan AI di bidang
pengawasan obat dan makanan. Saat ini, belum terdapat kebijakan atau regulasi khusus yang mengatur AI dalam
pengembangan, produksi, maupun distribusi produk obat dan makanan sebagai acuan dalam melakukan
pengawasan obat dan makanan. Meskipun dalam proses distribusi obat dan makanan telah dikeluarkan AI yang
terkait scan produk untuk mengetahui legalitas produk yang beredar dengan teknologi 2d barcode yang diatur oleh
Badan Pengawas Obat dan makanan (BPOM), tetapi hal tersebut belum cukup mampu mengakomodir
kebutuhan regulasi yang mengatur AI dalam bisnis proses pengawasan obat dan makanan di tengah masifnya
perkembangan teknologi AI di dunia bisnis obat dan makanan. Selain itu, belum ada aturan atau kebijakan terkait
dengan mekanisme dalam pengawasan atau menjamin proses produksi obat dan makanan yang dilakukan dengan
menggunakan teknologi AI, termasuk pengawasan pengembangan produk obat dan makanan yang dilakukan
dengan menggunakan AI.
Dengan memperhatikan peran AI, maupun potensi AI dalam bisnis proses pengembangan obat , maupun
industri obat dan makanan, AI dapat dioptimalkan dalam melakukan proses pengawasan obat dan makanan.
Pengawasan obat dan makanan merupakan sebuah proses penting untuk menjamin obat dan makanan yang
beredar dan dikonsumsi masyarakat memenuhi syarat keamanan, khasiat/manfaat, dan mutu produk.
Pengawasan obat dan makanan dilakukan secara menyeluruh, mulai dari pengawasan pre-market (sebelum produk

e-ISSN 2721-2440
p-ISSN 2722-7464
beredar) dan pengawasan post-market (setelah produk diberikan nomor izin edar). Proses menyeluruh dalam
pengawasan obat dan makanan dapat dijabarkan dalam berbagai fungsi pekerjaan berikut (Badan Pengawas Obat
dan Makanan, 2020b):
1. Pengembangan standard bidang obat dan makanan;
2. Registrasi produk obat dan makanan;
3. Pemeriksaan atau inspeksi sarana produksi, distribusi, dan pelayanan, serta produk obat dan makanan;
4. Pengujian obat dan makanan di laboratorium;
5. Penegakan hukum melalui penindakan kejahatan obat dan makanan; dan
6. Pemberdayaan pelaku usaha obat dan makanan serta masyarakat.
Untuk menjamin kualitas pengawasan obat dan makanan di Indonesia, Badan Pengawas Obat dan makanan
(BPOM) sebagai lembaga pemerintah yang diberi tanggung jawab melakukan pengawasan obat dan makanan di
Indonesia sesuai dengan Peraturan Presiden Nomor 80 Tahun (2017), menerapkan sistem Manajemen Mutu
mengacu kepada ISO 9001:2015. Manajemen mutu ISO 9001 di BPOM telah diterapkan sejak tahun 2012,
dimana saat ini dilaksanakan dengan pendekatan berbasis risiko sesuai dengan Keputusan Kepala BPOM Nomor
HK.02.02.1.7.07.20.267 Tahun (2020a), selaras dengan pendekatan dalam ISO 9001:2015, khususnya
pendekatan risk based thingking dalam sistem manajemen mutu (Badan Standardisasi Nasional, n.d.; Corpuz,
2020). Pendekatan sistem manajemen mutu berbasis risiko mengamanahkan agar proses pengawasan obat dan
makanan dapat mengidentifikasi potensi risiko yang dapat muncul, dan melakukan mitigasi risiko sebelum risiko
tersebut hadir sehingga menjamin pencapaian tujuan organisasi. Penerapan pemikiran berbasis risiko dalam ISO
9001:2015 yang diadopsi dalam sistem pengawasan obat dan makanan mengharuskan identifikasi risiko dan
peluang yang dapat mempengaruhi implementasi Quality Management System (QMS) dan pencapaian tujuan
organisasi yang diharapkan. Baik risiko maupun peluang tersebut harus diidentifikasi dan dikelola oleh organisasi,
diikuti dengan tindakan yang diperlukan untuk mengatasi risiko dan mengoptimalkan peluang dalam pencapaian
tujuan organisasi (Domingues & Fonseca, 2017).
Dengan uraian tersebut, maka riset dan kajian ini dikembangkan untuk melakukan analisis risiko dan peluang
dalam bisnis proses pengawasan obat dan makanan terkait dengan hadirnya teknologi AI dalam bisnis obat dan
makanan. Tujuan dari riset dan kajian ini adalah menganalisis risiko dan peluang hadirnya teknologi AI dalam
proses bisnis dan pengawasan obat dan makanan, dilakukan dengan pendekatan risk-based thinking sesuai dengan
Quality Management System (QMS) ISO 9001:2015. Lebih spesifik lagi, standar mutu pengawasan obat dan
makanan di Indonesia yang saat ini dilakukan dengan pendekatan risk-based thinking sesuai dengan Quality
Management System (QMS) ISO 9001:2015 dapat terus dikembangkan dan diimplementasikan, sejalan dengan
risiko dan peluang hadirnya AI dalam pengawasan, pengembangan produk, dan bisnis obat dan makanan. Hasil
dari riset dan kajian ini diharapkan dapat menjadi masukan dalam penyusunan kebijakan pengawasan obat dan
makanan, serta mendukung upaya perbaikan berkelanjutan atas bisnis proses pengawasan obat dan makanan
sesuai dengan pendekatan risk-based thinking, mengacu kepada standar mutu ISO 9001:2015.
2. Metodologi
Riset dan kajian ini dilakukan menggunakan pendekatan kualitatif dalam kerangka studi literatur yang
melibatkan pengumpulan, klasifikasi, abstraksi, dan interpretasi data atau informasi dari berbagai sumber
literatur (Darmalaksana, 2020; Zed, 2008). Tinjauan analisis kualitatif dalam sebuah penelitian dilakukan melalui
pemeriksaan sistematis dan sintesis data atau informasi kualitatif yang dikumpulkan dari berbagai sumber untuk
mendapatkan pemahaman yang komprehensif tentang fenomena tertentu (Lewis, 2015). Dalam penelitian ini
analisis kualitatif dilakukan terhadap data dari jurnal ilmiah dan laporan dari lembaga resmi internasional yang
berfokus pada tema penggunaan Artificial Intelligence (AI) pada bisnis dan/atau pengawasan obat dan makanan.
Data penelitian diperoleh melalui internet, antara lain berasal dari website www.sciencedirect.com, website
pencarian jurnal bereputasi, dan website resmi lembaga internasional dengan kata kunci pencarian adalah
Artificial Intelligence, food, drug, business, dan control. Data dan informasi yang digunakan dalam penelitian ini
dibatasi hanya menggunakan data dari jurnal atau laporan yang diterbitkan setelah tahun 2017.
Analisis dalam penelitian ini difokuskan pada analisis risiko dan peluang pemanfaatan AI dalam proses bisnis
pengawasan obat dan makanan, menggunakan pendekatan risk based thinking mengacu pada pendekatan Sistem
Manajemen Mutu (Quality Management System) ISO 9001:2015. Pendekatan berbasis risiko dalam sistem
manajemen mutu mengharuskan setiap organisasi untuk melakukan identifikasi potensi risiko yang menghambat
pencapaian tujuan, melakukan penanganan atas potensi risiko tersebut, dan memaksimalkan potensi peluang
untuk terus bertumbuh (Badan Standardisasi Nasional, n.d.; Corpuz, 2020). Data riset yang berasal dari jurnal
dan laporan dilakukan analisis mendalam untuk mendapatkan informasi risiko dan peluang yang diprediksi akan

e-ISSN 2722-2440
p-ISSN 2721-7464
muncul bersamaan dengan pemanfaatan teknologi AI dalam bisnis dan/atau pengawasan obat dan makanan.
Dengan pendekatan kualitatif melalui analisis yang terstruktur dari data penelitian, diharapkan dapat
memberikan pemahaman yang mendalam tentang peran AI dalam pengembangan bisnis maupun pengawasan
obat dan makanan, serta kebutuhan regulasi atau kebijakan dalam pengawasan obat dan makanan di Indonesia.
3. Hasil dan Pembahasan
AI telah berkembang signifikan sampai saat ini sejak Alan Turing menyampaikan visi AI tahun 1950
(Muggleton, 2014). AI saat ini telah dimanfaatkan dalam berbagai bidang dan pekerjaan, seperti ilmu
pengetahuan, teknologi, bisnis, dan juga pemerintahan. Beberapa contoh pemanfaatan AI antara lain digunakan
dalam pengembangan sistem transportasi cerdas, pengembangan sistem kesehatan cerdas, dan pengembangan
sistem keamanan cyber (Liu et al., 2021). Dalam bidang pengobat an dan kesehatan, AI digunakan dalam
penemuan dan pengembangan obat , antara lain digunakan dalam memprediksi aktivitas biologis
senyawa-senyawa baru dan juga mengidentifikasi zat aktif yang memiliki potensi sebagai obat . Selain itu, AI juga
dapat digunakan dalam percepatan proses identifikasi target molekuler dan memfasilitasi desain molekul. AI
membantu dalam pengembangan obat dengan lebih tepat sasaran (precision medicine), dan memungkinkan
identifikasi pasien yang memiliki kemungkinan tinggi merespons suatu obat (Kolluri et al., 2022). Lebih spesifik
lagi dalam penemuan dan pengembangan obat , AI dimanfaatkan untuk melakukan revolusi proses
pengembangan obat (Mak & Pichika, 2019), juga dalam proses sintesis peptida hingga desain molekul, skrining
virtual hingga docking molekuler, hubungan kuantitatif struktur-aktivitas hingga reposisi obat , lipatan protein
hingga interaksi protein-protein, dan identifikasi jalur molekuler hingga polifarmakologi (Gupta et al., 2021).
Potensi AI dalam membantu pengembangan obat juga menjadi perhatian oleh US Food and Drug Administration
(U.S. Food and Drug Administration, 2023).
Dari artikel jurnal maupun laporan yang menganalisis peran dan optimalisasi Artificial Intelligence (AI) maupun
Machine Learning (ML) dalam proses bisnis obat dan makanan, termasuk riset dan pengembangan obat dan
makanan dan pengawasan obat dan makanan dapat disampaikan data risiko dan peluang (risk and opportunity) AI
dan/atau ML dalam proses bisnis dan pengawasan obat dan makanan sebagaimana dalam tabel 1 berikut:
Tabel 1. Data Risiko dan Peluang Artificial Intelligence dan/atau Machine Learning
dalam proses bisnis dan pengawasan obat dan makanan
No Risiko (Risk) Peluang (Oportunity) Artikel
1 a. Risiko terkait dengan kebutuhan
kompetensi expertise dalam memahami
algoritma AI
b. Risiko validitas data yang digunakan
oleh AI dalam memberikan
rekomendasi keputusan, khususnya
apabila tidak menggunakan data uji
klinis kepada pasien.
a. Membantu mempercepat proses
pengembangan obat melalui identifikasi
senyawa potensial melalui analisis data dan
simulasi komputer.
b. Membantu analisis data, meliputi analisis
data komposisi nutrisi dan efek kesehatan
dari berbagai bahan makanan menghasilkan
kombinasi yang optimal untuk tujuan
kesehatan tertentu, analisis data efek
samping obat dan hasil uji klinis, analisis
data genetik pasien dalam terapi gen dan
identifikasi hubungan antara variasi genetik
dengan respon terhadap obat, serta deteksi
dini potensi masalah keamanan dan
efektivitas obat .
Artificial Intelligence in
Drug Development: Present
Status and Future Prospects
(Mak & Pichika, 2019)
2 a. Risiko "black box" AI dan/atau ML
dalam menghasilkan output analisis yang
tidak dapat dijelaskan dengan mudah,
serta memahami mekanisme biologis di
balik proses analisis oleh AI dan/atau
ML.
b. Risiko AI dalam identifikasi obat untuk
gangguan neurodegeneratif yang belum
optimal hasilnya karena sifat
patofisiologi yang tidak diketahui.
a. Membantu memantau kualitas obat dan
identifikasi obat palsu dengan memeriksa
data produksi dan pengujian obat secara
real-time, juga membantu deteksi cacat
produksi dan memastikan obat diproduksi
telah memenuhi standar kualitas yang
ditetapkan.
b. Membantu memantau efek samping obat
dengan memeriksa data pasien secara
real-time, khususnya deteksi efek samping
Artificial Intelligence to
deep learning: Machine
Intelligence approach for
Drug Discovery (Gupta et
al., 2021).

e-ISSN 2721-2440
p-ISSN 2722-7464
c. Risiko keamanan dan efektifitas obat
hasil pengembangan AI mengingat
sampai saat ini, belum ada cerita sukses
senyawa obat yang dihasilkan melalui
AI berhasil dipasarkan dan digunakan
oleh masyarakat.
d. Risiko dalam pemilihan dan penentuan
model AI dan/atau ML yang tepat
untuk bisnis proses kesehatan maupun
e. Risiko keamanan data pribadi
mengingat pengobat an personalisasi
dengan AI memerlukan kode genetik
pasien yang memerlukan informasi
pribadi.
f. Risiko kebutuhan infrastruktur
komputer yang lebih cepat dalam
mengelola big data pendukung AI.
yang tidak diinginkan dan memastikan obat
yang dikonsumsi aman bagi pasien.
c. Membantu memprediksi keamanan obat
dengan memeriksa data pasien dan data
obat secara real-time.
d. Membantu pengembangan obat baru
dengan memeriksa data molekuler dan data
pasien secara real-time.
e. Membantu mengembangkan sistem
pengawasan obat dan makanan yang lebih
efektif dengan memeriksa data produksi,
distribusi, dan konsumsi obat secara
real-time.
3 a. Risiko penyalahgunaan data pribadi
pasien.
b. Risiko ketergantungan pada teknologi,
berpotensi menjadi masalah jika
teknologi mengalami kegagalan atau
disalahgunakan.
c. Risiko kesalahan prediksi oleh AI,
berpotensi merugikan pasien dan
mengurangi kepercayaan pada
teknologi.
d. Risiko kekurangan data yang
berkualitas dan representatif sebagai
modal utama AI mengingat dalam
industri farmasi, terkadang sulit
mendapatkan data yang cukup,
khususnya dalam hal keamanan dan
efektivitas jangka panjang.
e. Risiko regulasi dan kepatuhan,
khususnya pengembangan dan
penyediaan kerangka kerja regulasi
yang sesuai untuk AI dan/atau ML
dalam konteks farmasi, menjamin
keamanan, khasiat, dan mutu produk
farmasi, juga privasi, dan etika.
a. Membantu identifikasi target obat baru
melalui pemahaman tentang hubungan
target-penyakit, pemilihan kandidat obat ,
prediksi struktur protein, serta desain dan
optimalisasi senyawa molekuler.
b. Membantu pemantauan berbasis risiko,
pemodelan prediktif, dan rekrutmen
pasien yang efisien untuk uji klinis.
c. Membantu pengembangan pengobat an
yang dipersonalisasi dengan analisis big
data, berisi informasi pasien, data genom,
dan hasil klinis, membantu identifikasi
subkelompok pasien yang mungkin
memberikan respons berbeda terhadap
pengobat an tertentu.
d. Membantu identifikasi penggunaan baru
obat yang sudah ada dengan analisis big data
tentang sifat obat, struktur molekul, dan
informasi penyakit.
e. Membantu meningkatkan efisiensi dan
kualitas proses pembuatan obat dengan
analisis big data mengenai parameter
proses, sifat bahan baku, dan atribut
kualitas produk untuk mengurangi limbah,
meningkatkan hasil, dan memastikan
kualitas produk yang konsisten.
Machine Learning and
pharmaceutical research
and development: a review
(Kolluri et al., 2022).
4 Risiko terkait keamanan data, keandalan
algoritma AI, dan keamanan pasien.
a. Membantu dalam pengembangan obat di
masa depan, khususnya dalam
mempercepat proses desain obat,
menemukan protein target, identifikasi
target obat, dan merekomendasi molekul
dari big data dengan modifikasi kimia.
b. Membantu mengurangi biaya dan risiko
kesehatan yang terkait dengan studi
pra-klinis.
Emerging of Artificial
Intelligence and technology
in pharmaceuticals.
(Sultana et al., 2023).
5 a. Risiko keterbatasan data dan
interoperabilitas dalam mendukung AI.
b. Risiko ketergantungan pada teknologi.
c. Risiko keamanan dan privasi data.
Membantu dalam proses pengembangan obat Scaling Smart Solutions
with AI in Health:
Unlocking Impact in High-
Potentioal Uses Cases

e-ISSN 2722-2440
p-ISSN 2721-7464
d. Risiko bias dan diskriminasi, khususnya
jika algoritma AI tidak dirancang
dengan baik atau jika data yang
digunakan tidak mewakili populasi
yang beragam secara demografis.
(Insight Report) (World
Economic Forum,
2023).
6 Risiko perubahan budaya, kekurangan
tenaga ahli bidang AI, transparansi, dan
kecenderungan untuk berpikir satu arah.
a. Membantu meningkatkan efisiensi,
keamanan, dan profitabilitas industri
makanan.
b. Membantu mengurangi limbah,
memprediksi pasar, memungkinkan
pemantauan yang efektif dan efisien
sepanjang waktu, meningkatkan sanitasi,
mengelola biaya, dan meningkatkan
pendapatan.
c. Membantu mengembangkan produk
makanan baru dengan lebih efisien dan
mengoptimalkan proses produksi.
Application of Artificial
Intelligence (AI) in Food
Industry (Agbai, 2020).
7 a. Risiko biaya yang besar dalam
pengembangan teknologi AI
b. Risiko mindset dan budaya kerja
pegawai dalam bekerja dengan AI
c. Risiko kebutuhan kompetensi khusus
dalam pemanfaatan teknologi AI
d. Risiko transparasi dalam pengambilan
keputusan
e. Risiko permasalahan khusus yang
belum dikuasai AI dalam aspek
pembelajaran datanya
a. Membantu meningkatkan strategi bisnis
melalui analisis prediksi AI, serta
meningkatkan hasil produksi.
b. Membantu memantau dan mengontrol
kualitas produk makanan selama produksi
dan distribusi, serta membantu
pengambilan keputusan terkait manajemen
rantai pasokan.
Application of Artificial
Intelligence in Food
Industry - a Guideline
(Mavani et al., 2022).
8 Tidak secara spesifik membahas risiko AI
dalam Bioteknologi Pangan
a. Membantu pengembangan enzim proses
baru, fermentasi presisi, keamanan dan
toksisitas makanan, mikrobiologi makanan,
dan studi tentang interaksi antara makanan
dan mikrobiom usus.
b. Membantu dalam produksi bahan
makanan, termasuk pengolahan makanan,
kualitas makanan, dan keamanan makanan.
Food Biotechnology: trends
and perspectives (Amore
& Philip, 2023).
9 a. Risiko privasi dan keamanan data
pribadi pasien.
b. Risiko bias dalam pengembangan dan
penggunaan AI yang mempengaruhi
hasil diagnosis dan pengobatan.
c. Risiko transparansi dan akuntabilitas,
khususnya tekait bagaimana AI
membuat keputusan dan
mempertanggungjawabkan keputusan
tersebut.
d. Risiko hilangnya aspek kemanusiaan
dalam pengambilan keputusan.
a. Membantu meningkatkan efisiensi dan
produktivitas sambil menghemat waktu
dan beban kerja.
b. Membantu pengembangan obat dan terapi
baru.
Challenges and
Opportunities in Medical
Artificial Intelligence (Tsai
et al., 2023).
10 a. Risiko keamanan data, keandalan
algoritma AI, dan dampak pada kualitas
pengobatan.
b. Risiko etis, seperti bias algoritma AI
dan pengambilan keputusan yang tidak
adil.
a. Membantu meningkatkan kualitas
pengobatan, efisiensi, dan penghematan
biaya melalui algortima AI yang benar.
b. Membantu dalam diagnosis, perencanaan
perawatan, pengobatan, dan pemantauan
pasien.
Artificial Intelligence
Algorithms in Health Care:
Is the Current Food and
Drug Administration
Regulation Sufficient?
(Mashar et al., 2023).

e-ISSN 2721-2440
p-ISSN 2722-7464
c. Risiko logartima AI karena sifatnya
yang unik dan adaptif, algoritma yang
telah disetujui akan terkunci sehingga
mencegah adaptasi algoritma terhadap
lingkungan yang selalu berubah,
menghilangkan sifat dasar AI yang
adaptif terhadap perubahan.
c. Membantu dalam penelitian medis dan
pengembangan obat baru.
d. Membantu memantau dan mengevaluasi
kinerja algoritma AI, serta untuk
mendeteksi dan mencegah penggunaan
algoritma AI yang tidak aman atau tidak
efektif.
e. Membantu mengembangkan pedoman dan
standar baru untuk mengatur penggunaan
algoritma AI dalam perawatan kesehatan
dan pengobatan.
11 a. Risiko kebutuhan biaya dan kurangnya
tenaga ahli dalam mengembangkan dan
mengoperasikan platform AI.
b. Risiko penggantian pekerja manusia
dengan AI.
c. Risiko fenomena "black box" yang dapat
membuat data yang dihasilkan oleh AI
sulit dipahami dan dipercayai.
a. Membantu pengembangan obat yang lebih
efisien dan otomatis, termasuk
pengambilan keputusan berbasis data dan
prediksi.
b. Membantu meningkatkan efisiensi dan
akurasi dalam pengujian klinis,
memprediksi hasil klinis, dan
mengoptimalkan dosis obat .
c. Membantu memahami hubungan antara
struktur kimia dan aktivitas biologis dari
molekul obat, serta memprediksi perilaku
pembelian pelanggan dan meningkatkan
efisiensi manufaktur.
Artificial intelligence and
machine learning
approaches for drug design:
challenges and
opportunities for the
pharmaceutical industries
(Selvaraj et al., 2021).
12 a. Risiko keamanan dan privasi data,
keandalan dan akurasi algoritma AI.
b. Risiko kepercayaan dan penerimaan
masyarakat terhadap AI yang
digunakan dalam pengawasan obat dan
makanan.
c. Risiko terkait potensi bias dalam
penggunaan teknologi AI, terutama
jika data yang digunakan tidak
mewakili populasi atau jika algoritma
AI yang digunakan tidak dirancang
dengan baik.
a. Membantu meningkatkan efektivitas dan
efisiensi proses regulasi, mempercepat
pengembangan produk baru, dan
meningkatkan pemahaman tentang efek
samping dan risiko produk obat dan
makanan.
b. Membantu mengurangi waktu dan upaya
dalam analisis manual terhadap gambar,
data spektrometri, data genom, komposisi
kimia, dan identifikasi kontaminan, serta
membantu identifikasi potensi masalah
keselamatan dan wabah yang lebih cepat
dan akurat.
c. Membantu identifikasi pola dan tren dalam
big data untuk menghasilkan wawasan dan
penemuan baru.
d. Membantu meningkatkan efektivitas dan
efisiensi proses regulasi.
Artificial intelligence and
real-world data for drug
and food safety–A
regulatory science
perspective (Thakkar et
al., 2023).
13 a. Risiko terkait etika, privasi, dan
keamanan AI.
b. Risiko terkait biaya implementasi,
kurangnya SDM yang memiliki
keahlian dalam pengembangan AI.
Membantu dalam peningkatan efisiensi
produksi, pengurangan limbah, peningkatan
kualitas produk, dan pengembangan produk
pangan.
Food Industry (Sadiku et
al., 2020).
14 a. Risiko perkembangan AI yang
dikhawatirkan akan melampaui
kemampuan otak manusia, akhirnya
akan mengambil alih kendali atas
kehidupan manusia.
b. Risiko penggunaan AI yang tidak etis
atau tidak terkendali.
a. Membantu meningkatkan kinerja
organisasi dengan memungkinkan individu
untuk mendapatkan, berbagi, dan
menerapkan pengetahuan kolektif untuk
membuat keputusan optimal secara
real-time.
b. Membantu meningkatkan kualitas
pengobatan dan efisiensi sistem kesehatan
Medicine (Hamet &
Tremblay, 2017).

e-ISSN 2722-2440
p-ISSN 2721-7464
c. Risiko keamanan data, dan
kekhawatiran pengambilan keputusan
yang tidak akurat atau tidak adil.
d. Risiko pembiayaan dan kebutuhan
SDM dan infrastruktur untuk mencapai
efektivitas AI yang diinginkan dan
meminimalkan biaya.
dengan merekam data pasien dalam format
digital yang dapat diakses sebagai data
individu maupun agregat data untuk
penelitian epidemiologi, perencanaan, dan
pengembangan kebijakan.
15 Risiko ketersediaan dan perolehan data
yang cukup untuk mendukung bisnis proses
AI dan/atau ML
a. Membantu menghemat waktu dan biaya,
serta peningkatan pemahaman tentang
hubungan antara berbagai formulasi dan
parameter proses.
b. Membantu percepatan proses penemuan
obat, meningkatkan efisiensi manufaktur,
dan pengobatan penyakit langka.
c. Membantu dalam pengumpulan dan
analisis data pasien untuk memperoleh
informasi yang baik dalam uji klinis.
d. Membantu identifikasi efek samping obat
yang mungkin terjadi lebih awal.
Pharma Industry-a Review
(Shah, 2023).
16 Risiko kesalahan dan keamanan data,
keputusan yang disebabkan data yang tidak
representatif.
a. Membantu mengidentifikasi target obat
baru, mempercepat proses penemuan
obat, formulasi, pengiriman obat, dan
meningkatkan efisiensi pengujian obat.
b. Membantu memprediksi pengobatan baru
dengan menggunakan algoritma AL
dan/atau ML dalam analisis gambar yang
dihasilkan oleh proses penemuan obat.
c. Membantu identifikasi senyawa kimia
dengan aktivitas fisiologis tinggi dan layak
untuk diinvestigasi lebih lanjut dalam
proses penemuan obat .
Pharmaceutical
Technology and Drug
Delivery Design (Vora et
al., 2023).
17 Risiko etika dan privasi data. a. Membantu mempercepat dan menurunkan
biaya penemuan obat, meningkatkan
efektivitas uji klinis dan produktivitas
farmasi, serta mengurangi kemungkinan
kesalahan.
b. Membantu meningkatkan kualitas data
klinis dan farmasi.
Applications of Artificial
Intelligence in
Pharmaceutical Industries
(Choudhary et al.,
2023).
18 Risiko kebutuhan biaya, privasi data,
pelanggaran data, ancaman keamanan cyber,
dan dampak negatif pada sektor pekerjaan
manusia.
Membantu efisiensi dalam proses produksi
makanan, penurunan harga produk,
peningkatan kualitas dan keamanan makanan,
penurunan jumlah limbah makanan, dan
optimasi produksi makanan yang mengarah
pada kepuasan pelanggan, serta manfaat bagi
lingkungan.
A comprehensive review on
artificial intelligence
assisted technologies in food
industry (Thapa et al.,
2023).
19 Risiko pemenuhan kebutuhan dan
mengumpulkan data yang valid dan dapat
dipertanggungjawabkan, memastikan
teknologi AI yang digunakan tepat dan
dapat diandalkan.
a. Membantu mengembangkan indikator
utama (leading indicators), memprediksi
potensi masalah keamanan pangan, dan
merekomendasikan tindakan pencegahan
yang diperlukan.
b. Membantu proses analisis data, termasuk
data sensor dan data perilaku konsumen
guna mengidentifikasi pola dan tren potensi
masalah keamanan pangan untuk dilakukan
mitigasi risiko sehingga efektivitas dan
Artificial Intelligence
technology in food safety: A
behavioral approach
(Kudashkina et al.,
2022).

e-ISSN 2721-2440
p-ISSN 2722-7464
efisiensi sistem manajemen keamanan
pangan meningkat.
20 a. Risiko privasi konsumen, serta akses
dan kepemilikan data, keamanan cyber,
ketergantungan pada penyedia
teknologi AI tertentu.
b. Risiko pemenuhan kebutuhan
kompetensi untuk mengelola
kompleksitas proses baru akibat
hadirnya teknologi AI
a. Membantu melakukan prediksi kualitas
produk makanan dan umur simpan,
meningkatkan efisiensi rantai pasok
pangan, mengurangi pemborosan
makanan, serta memberikan analisis risiko
dan dukungan kebijakan.
b. Membantu beradaptasi dengan perubahan
dan meningkatkan fleksibilitas rantai pasok
pangan.
Digitalisation and
Artificial Intelligence for
sustainable food systems
(Marvin et al., 2022).
21 Risiko kekurangan data yang berkualitas
dan konsisten dalam mendukung AI, serta
risiko kompleksitas makanan yang tinggi.
Membantu memahami struktur dan fungsi
makanan, memprediksi sifat dan transformasi
makanan, dan mengembangkan pangan
fungsional yang lebih baik.
Food structure, function
and artificial intelligence
(Mengucci et al., 2022).
22 Risiko regulasi, keamanan data, dan
masalah hukum yang belum terdefinisi
dengan baik terkait dengan pengembangan
dan produksi produk dengan AI.
Membantu meningkatkan kecepatan dan
akurasi diagnosis penyakit, mengurangi
kesalahan manusia, dan peningkatan efisiensi
dalam pengobat an.
How the FDA regulates AI
(Harvey & Gowda,
2020).
23 Risiko keterbatasan data pendukung AI dan
keamanan cyber.
Membantu peningkatan kualitas pengolahan
makanan dengan memanfaatkan jaringan saraf
buatan dan pembelajaran mendalam yang
dikembangkan dengan teknologi AI.
Intelligent food processing:
Journey from artificial
neural network to deep
learning (Nayak et al.,
2020).
24 a. Risiko regulasi, privasi dan keamanan
data pasien, serta kepercayaan dan
penerimaan masyarakat terhadap
teknologi AI.
b. Risiko kurangnya dukungan
infrastruktur dan sumber daya yang
memadai dalam pengembangan dan
pemanfaatan teknologi AI.
Membantu meningkatkan akses dan efisiensi
pengobatan, terutama di daerah yang masih
kurang terjangkau oleh layanan kesehatan
langsung.
Lessons on regulation and
implementation from the
first FDA-cleared
autonomous AI-Interview
with Chairman and
Founder of Digital
Diagnostics Michael
Abramoff (Venkatesh &
Brito, 2023).
25 a. Risiko pemenuhan kebutuhan big data
yang kompleks, beragam, dan
terstandar dalam mendukung kinerja
dan validitas output yang dihasilkan
sistem AI.
b. Risiko keamanan dan privasi data.
c. Risiko kebutuhan regulasi yang belum
terpenuhi dalam penggunaan sistem
AI.
a. Membantu meningkatkan produktifitas dan
efisiensi tahapan pengembangan obat,
termasuk dalam identifikasi target, desain
molekul, uji klinis, dan manajemen produk
farmasi.
b. Membantu meningkatkan kualitas produk
dengan memastikan keamanan dan
efektivitas produk obat melalui analisis
prediksi.
Artificial intelligence in
drug discovery and
development (Paul et al.,
2021)
Dari data risiko dan peluang dari Tabel 1 tersebut diatas, dapat dianalisa bahwa kehadian AI dan/atau ML
dalam proses bisnis dan pengawasan obat dan makanan memiliki risiko dan juga peluang dalam memastikan
keamanan, khasiat, dan mutu produk, juga mendukung pengembangan obat dan makanan itu sendiri. Dari data
risiko pemanfaatan AI dan/atau ML, setidaknya dapat disampaikan beberapa risiko, antara lain:
1. Risiko terkait dengan kualitas dan validitas keluaran (output) yang dihasilkan oleh AI sebagaimana
disampaikan dalam data nomor 1, 2, 11, dan 22. Risiko ini muncul karena adanya fenomena “black box” AI,
yaitu hasil analisis sebagai output AI dan/atau ML tidak dapat dijelaskan dengan mudah proses analisisnya
karena terkait dengan algoritma AI yang dikembangkan, termasuk mekanisme biologis dan proses

e-ISSN 2722-2440
p-ISSN 2721-7464
pengembangan analisis lanjutan sampai menghasilkan kesimpulan oleh AI (Gupta et al., 2021; Harvey &
Gowda, 2020; Mak & Pichika, 2019; Selvaraj et al., 2021).
2. Risiko bias atas output yang dihasilkan AI, disebabkan antara lain karena kurangnya data atau tidak
representatifnya data dalam big data sebagai data sumber maupun pendukung kinerja AI sebagaimana
disampaikan dalam data nomor 12, 14, 15, 16, 19, dan 21. Konsekuensinya adalah AI memberikan hasil
analisis dan rekomendasi keputusan yang salah atau kurang tepat atas sebuah isu atau problem dalam bisnis
proses maupun pengawasan obat dan makanan (Hamet & Tremblay, 2017; Kudashkina et al., 2022;
Mengucci et al., 2022; Shah, 2023; Thakkar et al., 2023; Vora et al., 2023).
3. Risiko yang disebabkan terbatasnya data dalam big data, data tidak mewakili populasi, dan data yang belum
dapat dipastikan keandalannya sehingga menyebabkan pengambilan keputusan atau analisis yang tidak tepat,
tidak akurat, dan tidak adil, atau kesalahan prediksi oleh AI sebagaimana disampaikan dalam data nomor 5,
10, dan 12. Risiko ini akan memberikan dampak lebih merusak apabila terbatasnya data tersebut didukung
dengan algoritma AI yang digunakan juga tidak tepat (Mashar et al., 2023; Thakkar et al., 2023; World
Economic Forum, 2023).
4. Risiko terkait dengan privasi dan keamanan data, termasuk data pribadi sebagaimana disampaikan dalam
data nomor 2, 3, 4, 5, dan 9. Data merupakan kebutuhan utama kinerja AI. Di sisi lain, proses
pengembangan produk obat dan makanan sampai peredaran membutuhkan dan melibatkan banyak data,
termasuk data pribadi pasien maupun masyarakat yang mengkonsumsi obat dan makanan. Berbagai data
tersebut berisiko disalahgunakan, misalnya penggunaan data atau kode genetik pasien digunakan secara
tidak bertanggung jawab untuk pengembangan produk, serta mekanisme perolehan dan pengelolaan data
yang tidak beretika dan berpotensi melanggar hak privasi pasien dan masyarakat (Gupta et al., 2021; Kolluri
et al., 2022; Sultana et al., 2023; Tsai et al., 2023; World Economic Forum, 2023).
5. Risiko kesenjangan infrastruktur dan kompetensi Sumber Daya Manusia (SDM) yang terlibat dalam bisnis
proses dan pengawasan obat dan makanan, khususnya pengetahuan dan kompetensi terkait dengan AI
sebagaimana disampaikan dalam data nomor 1, 2, dan 6). Pemanfaatan AI tergantung dengan kompetensi
dan keterampilan SDM yang terlibat dalam pengembangan dan pemanfaatan AI, serta infrastruktur
pendukungnya, baik software maupun hardware. Kesenjangan atas kebutuhan tersebut juga menjadi risiko
yang harus dihadapi dalam penggunaan AI dalam mendukung proses bisnis maupun pengawasan obat dan
makanan (Agbai, 2020; Gupta et al., 2021; Mak & Pichika, 2019).
6. Risiko terkait dengan kebutuhan pembiayaan dalam pemanfaatan dan pengembangan teknologi AI, serta
ketergantungan yang tinggi terhadap AI mendukung bisnis proses dan pengawasan obat dan makanan
sebagaimana disampaikan dalam data nomor 3, 6, 9, 11, 14, dan 18. Risiko ini masih terkait dengan risiko
kesenjangan infrastruktur dan kompetensi SDM, utamanya terkait pembiayaan dan investasi di bidang AI
(Hamet & Tremblay, 2017; Thapa et al., 2023). Di sisi lain, pengembangan dan penggunaan AI yang masif
juga memiliki risiko ketergantungan terhadap teknologi AI. Perkembangan AI yang diprediksi melampaui
kemampuan otak manusia menimbulkan kekhawatiran mengendalikan kehidupan manusia, menggantikan
pekerjaan manusia, ketergantungan pada penyedia teknologi AI, perubahan budaya, hingga hilangnya aspek
kemanusiaan dalam pengambilan keputusan (Agbai, 2020; Hamet & Tremblay, 2017; Selvaraj et al., 2021;
Thapa et al., 2023; Tsai et al., 2023). Ketergantungan terhadap teknologi AI juga berpotensi menjadi
masalah jika terjadi kesalahan, kegagalan atau penyalahgunaan AI (Kolluri et al., 2022).
Berbagai risiko tersebut memiliki potensi besar dapat mempengaruhi jaminan keamanan, khasiat, dan mutu
produk obat dan makanan dalam proses bisnis dan pengawasan obat dan makanan, serta efektifitas pengembangan
obat dan makanan dengan menggunakan AI. Mekanisme AI dalam pengambilan keputusan secara transparan,
akuntabel, dapat dipertanggungjawabkan dengan didukung data yang valid dan representatif diperlukan untuk
meningkatkan output kinerja AI (Agbai, 2020; Tsai et al., 2023). Risiko-risiko tersebut memiliki potensi merusak
yang besar apabila tidak didukung dengan kebijakan dan regulasi yang baik dalam pemanfaatan AI dalam konteks
proses bisnis dan pengawasan obat dan makanan. Sifat algoritma AI yang unik dan adaptif (Mashar et al., 2023),
dengan potensi risiko yang besar apabila tidak dikendalikan dan diatur dengan baik akan menghadirkan
mala petaka bagi kehidupan manusia, alih-alih mendatangkan kebaikan. Penyusunan kebijakan dan regulasi untuk
mengatur penggunaan teknologi AI harus mempertimbangkan risiko keamanan, privasi, etika, kesalahan, dan
kegagalan AI (Harvey & Gowda, 2020). Kebijakan dan regulasi dalam mengatur AI diharapankan dapat menjamin
keamanan data pribadi, keamanan dan manfaat, serta peningkatkan daya saing produk obat dan makanan
Indonesia.

e-ISSN 2721-2440
p-ISSN 2722-7464
Berbagai risiko yang muncul dengan hadirnya AI sebanding dengan peluang yang dapat dimanfaatkan untuk
proses bisnis dan pengawasan obat dan makanan. Setidaknya terdapat beberapa peluang yang dapat dioptimalkan
potensinya dalam pemanfaatan AI pada proses bisnis dan pengawasan obat dan makanan sebagai berikut:
1. AI dapat membantu percepatan pengembangan produk obat sebagaimana disampaikan dalam data nomor
1, 2, 3, 4, 5, 6, 8, 10, 11, 15, 16, 17, dan 20. Pengembangan produk obat dilakukan antara lain melalui
identifikasi obat baru, mempercepat desain obat, analisis data komposisi, efek terhadap kesehatan, analisa
efek samping dan hasil uji klinis, analisis data genetik pasien, deteksi dini potensi masalah keamanan dan
efektivitas obat, pemodelan prediktif dan rekrutmen pasien untuk uji klinis, pengumpulan dan analisis data
uji klinis, serta penetapan umur simpan produk (Agbai, 2020; Amore & Philip, 2023; Gupta et al., 2021;
Kolluri et al., 2022; Mak & Pichika, 2019; Marvin et al., 2022; Selvaraj et al., 2021; Shah, 2023; Sultana
et al., 2023; Tsai et al., 2023; Vora et al., 2023; World Economic Forum, 2023). Penggunaan AI dalam
proses pengembangan produk obat dan makanan berpeluang mengurangi biaya dan risiko kesehatan
(Choudhary et al., 2023). Percepatan pengembangan produk obat dan makanan tersebut berpotensi untuk
mendukung peningkatan pertumbuhan ekonomi dan daya saing produk obat dan makanan.
2. AI dapat membantu meningkatkan strategi bisnis maupun pengawasan obat dan makanan sebagaimana
disampaikan dalam data nomor 6, 7, 13, dan 18. Peningkatan strategis bisnis dan pengawasan dilakukan
melalui analisis prediksi, memantau dan mengontrol kualitas produk selama produksi dan distribusi, sampai
membantu pengambilan keputusan berbasis data dan prediksi (Agbai, 2020; Mavani et al., 2022; Sadiku et
al., 2020; Thapa et al., 2023).
3. Dengan algoritma AI yang benar, AI berpeluang untuk membantu pengembangan kualitas pengobatan atau
pelayanan kesehatan sebagaimana disampaikan dalam data nomor 3, 10, 22, dam 24. Dengan analisis big
data, pengobatan yang dipersonalisasi, dan informasi data pasien, AI dapat membantu identifikasi
subkelompok dengan respon berbeda terhadap pengobatan tertentu (Kolluri et al., 2022). Dengan potensi
yang dimiliki AI, diagnosis, perencanaan, perawatan, pengobatan, dan pemantauan pasien juga berpeluang
dilakukan dengan mengoptimalkan AI (Mashar et al., 2023). Bertolak belakang dengan risiko yang
menyebutkan AI menghilangkan sisi kemanusiaan, Harvey dan Gowda (2020) menyatakan adanya AI
berpeluang meningkatkan kecepatan dan akurasi diagnosa penyakit, mengurangi kesalahan manusia dan
meningkatkan efisiensi pengobatan. Peningkatan akses dan efisiensi pengobatan, terutama di daerah yang
masih kurang terjangkau oleh layanan kesehatan langsung, juga merupakan peluang adanya AI (Venkatesh
& Brito, 2023).
4. AI yang didukung dengan analisa big data yang baik adalah dapat berkontribusi dalam optimalisasi penelitian
dan pengembangan kebijakan sebagaimana disampaikan dalam data nomor 12, 14, 19, dan 20. AI dan
analisa big data dari pengobat an dapat digunakan untuk penelitian epidemiologi dan pengembangan
kebijakan (Hamet & Tremblay, 2017). Dalam konteks lebih lanjut mengenai kebijakan dan regulasi, AI
berpeluang membantu meningkatkan efektivitas dan efisiensi regulasi, mengembangkan indikator utama
untuk memprediksi potensi masalah melalui proses analisis data sehingga dapat digunakan untuk
mengidentifikasi tren potensi masalah keamanan dan mitigasi risiko, mulai dari pengembangan produk
sampai konsumsi produk obat dan makanan oleh masyarakat (Kudashkina et al., 2022; Marvin et al., 2022;
Thakkar et al., 2023).
Dengan berbagai kemampuan yang dimiliki AI tersebut, potensi dan peluang AI membantu dalam masalah
keselamatan, kesehatan, serta identifikasi wabah atau produk obat dan makanan yang tidak aman dapat diperoleh
lebih cepat dan akurat (Thakkar et al., 2023). AI juga dapat dioptimalkan sebagai alat pendukung dalam bisnis
proses pengawasan obat dan makanan, khususnya dalam pengembangan kebijakan pengawasan obat dan makanan
yang dilakukan berbasis data yang dikelola menggunakan teknologi big data dan ML.
Saat ini, berdasar data dalam pom.go.id per tanggal 27 Oktober 2023, jumlah produk obat dan makanan
terdaftar di BPOM lebih dari 845.000 produk. Di sisi lain, BPOM juga dihadapkan dengan tantangan berupa
tuntutan peningkatan kualitas pengawasan obat dan makanan dari pemerintah maupun masyarakat, digitalisasi
sektor Industri obat dan makanan, serta perkembangan ilmu pengetahuan bidang obat dan makanan (Sudewo,
2021). Dengan kondisi tersebut, tantangan besar bagi BPOM dalam menjamin keamanan, khasiat atau mutu,
dan manfaat produk obat dan makanan yang beredar dan dikonsumsi masyarakat. Adanya AI berpeluang
meningkatkan kualitas pengawasan obat dan makanan, khususnya terkait efisiensi dan kualitas proses pembuatan,
memantau kualitas produk, identifikasi produk palsu, pemantauan efek samping, bahkan untuk memprediksi
keamanan produk (Gupta et al., 2021; Kolluri et al., 2022). Penggunaan AI berbasis machine learning dengan
analisis big data dan pendekatan model prediksi juga menunjukkan akurasi 99,85% dan kelas kesesuaian minimum
80%. Dari hasil analisis pengujian model business intelligence pada 100 data produk pangan yang dikumpulkan dari

e-ISSN 2722-2440
p-ISSN 2721-7464
situs e-commerce, juga menunjukkan bahwa model prediksi yang dikembangkan untuk menentukan potensi
pelanggaran di bidang pengawasan pangan mampu mengklasifikasikan secara akurat 78% klasifikasi produk dan
22% lainnya meleset (Wibowo et al., 2022).
Dalam strategi nasional kecerdasan artificial Indonesia juga ditekankan bahwa desain dan pengembangan obat
dan vaksin, termasuk pengawasan peredaran dan monitoring efek samping obat merupakan bidang kesehatan
yang dapat dioptimalkan dengan AI. Selain itu, ketahanan pangan juga menjadi prioritas dalam kebijakan
pemanfaatan AI di Indonesia (Badan Pengkajian dan Penerapan Teknologi, 2020). Dengan kondisi dan analisis
tersebut di atas, BPOM memiliki peluang yang besar untuk mengoptimalkan AI dalam melakukan bisnis proses
pengawasan obat dan makanan untuk menjamin produk obat dan makanan beredar aman, bermutu dan
bermanfaat. Optimalisasi AI juga harus dilakukan dengan mitigasi risiko yang berpotensi muncul akibat
penggunaan AI, dilakukan melalui pengembangan desain kebijakan yang adaptif dan mampu memfasilitasi
penggunaan teknologi secara etis dan adil untuk semua pemangku kepentingan dalam ekonsistem bisnis dan
4. Kesimpulan & Saran
4.1. Kesimpulan
Teknologi Artificial Intelligence (AI) maupun Machine Learning (ML) saat ini telah menjadi trend global dan
berkembang di berbagai sektor kehidupan manusia, termasuk proses bisnis dan pengawasan obat dan makanan.
Sebagai sebuah teknologi, AI maupun ML dikembangkan untuk membantu manusia dalam menghadapi berbagai
masalah dan pengambilan keputusan. Dengan pendekatan risk based thinking, hadirnya AI memiliki potensi risiko
sekaligus menghadirkan peluang perbaikan proses bisnis dan pengawasan obat dan makanan. Hadirnya AI
memiliki potensi risiko terkait kualitas output teknologi AI yang tidak bisa dijelaskan dengan mudah, risiko gap
kompetensi SD dengan AI, potensi bias hasil analisis dan keputusan yang disebabkan data yang tidak representatif,
serta masalah privasi dan keamanan data. Meskipun demikian, AI juga memiliki potensi dengan membuka
peluang untuk mempercepat pengembangan produk dan meningkatkan efisiensi produksi obat dan makanan. AI
memiliki potensi peluang untuk membantu dalam peningkatan kualitas pengawasan obat dan makanan,
mendeteksi produk palsu, dan memprediksi keamanan produk obat dan makanan sehingga memberikan jaminan
keamanan, khasiat, dan mutu produk obat dan makanan yang beredar dan dikonsumsi masyarakat. Dalam upaya
memanfaatkan teknologi AI, penting bagi BPOM untuk mengidentifikasi, mengelola risiko yang mungkin
timbul, dan mengambil tindakan yang tepat untuk memitigasi risiko, serta memaksimalkan peluang guna
mencapai tujuan organisasi melalui pengembangan kebijakan yang adaptif dan etis dalam penggunaan teknologi
AI, baik dalam pengembangan, produksi, dan distribusi produk, maupun dalam pengawasan peredaran obat dan
makanan.
4.2. Rekomendasi
Berdasarkan hasil analisis dan pembahasan, serta kesimpulan riset dan kajian, dapat disampaikan beberapa
rekomendasi penelitian, antara lain:
1. Melakukan mitigasi atas potensi risiko dari hadirnya teknologi AI dalam proses bisnis dan pengawasan obat
dan makanan melalui pengembangan kebijakan yang tepat, etis, dan meminimalisir potensi bias dan
penyalahgunaan AI dalam bisnis obat dan makanan, termasuk kebijakan terkait dengan keamanan dan
privasi data seseorang atau pasien yang digunakan dalam pengembangan produk, uji klinis, maupun
pengobatan dengan memanfaatkan teknologi AI.
2. Memanfaatkan peluang melalui optimalisasi dari AI dalam mendukung pengembangan bisnis dan
pengawasan obat dan makanan untuk meningkatkan kualitas pengawasan, memberikan jaminan keamanan,
khasiat, dan mutu produk obat dan makanan yang beredar.
3. Melakukan pengembangan kompetensi SDM yang terlibat dalam teknologi AI, dan memastikan
pengetahuan yang dimiliki memadai untuk memanfaatkan peluang dan mengelola resiko yang berpotensi
muncul dengan hadirnya AI.
4. Penyiapan infrastruktur pendukung penggunaan AI dan SDM pengguna AI dalam membantu proses bisnis
dan pengawasan obat dan makanan.
Daftar Referensi
Addanki, M., Patra, P., & Kandra, P. (2022). Recent advances and applications of artificial intelligence and

e-ISSN 2721-2440
p-ISSN 2722-7464
related technologies in the food industry. Applied Food Research, 2(2), 100126.
https://doi.org/10.1016/j.afres.2022.100126.
Agbai, C. M. (2020). Application of Artificial Intelligence (AI) in Food Industry. GSC Biol. Pharm. Sci, 13, 171–
178. https://doi.org/10.30574/gscbps.2020.13.1.0320.
Amore, A., & Philip, S. (2023). Artificial Intelligence in Food Biotechnology: trends and perspectives. Frontiers
in Industrial Microbiology, 1, 1255505. https://doi.org/10.3389/finmi.2023.1255505.
Badan Pengawas Obat dan Makanan. (2020a). Keputusan Kepala Badan Pengawas Obat dan makanan Nomor
HK.02.02.1.7.07.20.267 Tahun 2020 tentang Petunjuk Pelaksanaan Penerapan Manajemen Risiko di Lingkungan
Badan Pengawas Obat dan Makanan.
Badan Pengawas Obat dan Makanan. (2020b). Peraturan Badan Pengawas Obat dan makanan Nomor 9 Tahun 2020
tentang Rencana Strategis Badan Pengawas Obat dan makanan Tahun 2020-2024.
Badan Pengkajian dan Penerapan Teknologi. (2020). Strategi Nasional Kecerdasan Artifisial Indonesia 2020 - 2045.
Badan Pengkajian dan Penerapan Teknologi (BPPT).
Badan Standardisasi Nasional. (n.d.). Sistem Manajemen Mutu - Persyaratan Quality Management Systems - Requirement
(ISO 9001:2015, IDT) (SNI ISO 9001:2015).
Bohr, A., & Memarzadeh, K. (2020). The rise of artificial intelligence in healthcare applications. In Artificial
Intelligence in healthcare (pp. 25–60). Elsevier. https://doi.org/10.1016/B978-0-12-818438-7.00002-2.
Chen, L., Chen, P., & Lin, Z. (2020). Artificial intelligence in education: A review. Ieee Access, 8, 75264–75278.
Choudhary, H., Sharma, A., & Ahuja, D. (2023). Applications of Artificial Intelligence in Pharmaceutical
Industries. Int. J. Pharm. Sci. Rev. Res, 81(1), 159-164 http://doi.org/10.47583/ijpsrr.2023.v81i01.027.
Corpuz, R. S. A. (2020). ISO 9001: 2015 Risk-based Thinking: A Framework using Fuzzy-Support Vector
Machine. Makara Journal of Technology, 24(3), 8. https://doi.org/10.7454/mst.v24i3.3944.
Darmalaksana, W. (2020). Metode Penelitian Kualitatif Studi Pustaka dan Studi Lapangan. Pre-Print Digital
Library UIN Sunan Gunung Djati Bandung.
Domingues, P., & Fonseca, L. (2017). ISO 9001: 2015 edition-management, quality and value. Vol, 11, 149–
158. https://doi.org/10.18421/IJQR11.01-09.
Gerke, S., Minssen, T., & Cohen, G. (2020). Ethical and legal challenges of Artificial Intelligence-Driven
Healthcare. In Artificial intelligence in healthcare (pp. 295–336). Elsevier. https://doi.org/10.1016/B978-
0-12-818438-7.00012-5.
Gupta, R., Srivastava, D., Sahu, M., Tiwari, S., Ambasta, R. K., & Kumar, P. (2021). Artificial Intelligence to
deep learning: Machine Intelligence approach for Drug Discovery. Molecular Diversity, 25, 1315–1360.
https://doi.org/10.1007/s11030-021-10217-3.
Hamet, P., & Tremblay, J. (2017). Artificial Intelligence in Medicine. Metabolism, 69, S36–S40.
https://doi.org/10.1016/j.metabol.2017.01.011.
Harvey, H. B., & Gowda, V. (2020). How the FDA regulates AI. Academic Radiology, 27(1), 58–61.
https://doi.org/10.1016/j.acra.2019.09.017.
Kolluri, S., Lin, J., Liu, R., Zhang, Y., & Zhang, W. (2022). Machine learning and artificial intelligence in
pharmaceutical research and development: a review. The AAPS Journal, 24, 1–10.
https://doi.org/10.1208/s12248-021-00644-3.
Kudashkina, K., Corradini, M. G., Thirunathan, P., Yada, R. Y., & Fraser, E. D. G. (2022). Artificial
Intelligence technology in food safety: A behavioral approach. Trends in Food Science & Technology, 123,
376–381. https://doi.org/10.1016/j.tifs.2022.03.021.
Lewis, S. (2015). Qualitative inquiry and research design: Choosing among five approaches. Health Promotion
Practice, 16(4), 473–475. https://doi.org/10.1177/1524839915580941.
Liu, N., Shapira, P., & Yue, X. (2021). Tracking developments in artificial intelligence research: constructing
and applying a new search strategy. Scientometrics, 126(4), 3153–3192.
https://doi.org/10.1007/s11192-021-03868-4.
Mak, K.-K., & Pichika, M. R. (2019). Artificial intelligence in drug development: present status and future
prospects. Drug Discovery Today, 24(3), 773–780. https://doi.org/10.1016/j.drudis.2018.11.014.
Marvin, H. J. P., Bouzembrak, Y., Van der Fels-Klerx, H. J., Kempenaar, C., Veerkamp, R., Chauhan, A.,
Stroosnijder, S., Top, J., Simsek-Senel, G., & Vrolijk, H. (2022). Digitalisation and Artificial Intelligence
for sustainable food systems. Trends in Food Science & Technology, 120, 344–348.
https://doi.org/10.1016/j.tifs.2022.01.020.
Mashar, M., Chawla, S., Chen, F., Lubwama, B., Patel, K., Kelshiker, M. A., Bachtiger, P., & Peters, N. S.

e-ISSN 2722-2440
p-ISSN 2721-7464
(2023). Artificial Intelligence Algorithms in Health Care: Is the Current Food and Drug Administration
Regulation Sufficient? JMIR AI, 2(1), e42940. https://doi.org/doi:10.2196/42940.
Mavani, N. R., Ali, J. M., Othman, S., Hussain, M. A., Hashim, H., & Rahman, N. A. (2022). Application of
Artificial Intelligence in Food Industry— a Guideline. Food Engineering Reviews, 14(1), 134-175.
https://doi.org/10.1007/s12393-021-09290-z
Mengucci, C., Ferranti, P., Romano, A., Masi, P., Picone, G., & Capozzi, F. (2022). Food Structure, Function
and Artificial Intelligence. Trends in Food Science & Technology, 123, 251–263.
https://doi.org/10.1016/j.tifs.2022.03.015
Muggleton, S. (2014). Alan Turing and the development of Artificial Intelligence. AI Communications, 27(1), 3–
10. https://doi.org/DOI 10.3233/AIC-130579
Nayak, J., Vakula, K., Dinesh, P., Naik, B., & Pelusi, D. (2020). Intelligent food processing: Journey from
artificial neural network to deep learning. Computer Science Review, 38, 100297.
https://doi.org/10.1016/j.cosrev.2020.100297
Paul, D., Sanap, G., Shenoy, S., Kalyane, D., Kalia, K., & Tekade, R. K. (2021). Artificial Intelligence in Drug
Discovery and Development. Drug Discovery Today, 26(1), 80.
https://doi.org/10.1016/j.drudis.2020.10.010
Peraturan Presiden Republik Indonesia. (2017). Peraturan Presiden Republik Indonesia Nomor 80 Tahun 2017 tentang
Badan Pengawas Obat dan Makanan.
Sadiku, M. N. O., Fagbohungbe, O., & Musa, S. M. (2020). Artificial Intelligence in Food Industry. International
Journal of Engineering Research and Advanced Technology, 6(10), 12–19.
https://doi.org/10.31695/IJERAT.2020.3649
Selvaraj, C., Chandra, I., & Singh, S. K. (2021). Artificial intelligence and machine learning approaches for drug
design: challenges and opportunities for the pharmaceutical industries. Molecular Diversity, 1–21.
https://doi.org/10.1007/s11030-021-10326-z
Shah, N. (2023). Artificial Intelligence in Pharma Industry-A Review. Asian Journal of Pharmaceutics (AJP), 17(2).
Sloane, E. B., & Silva, R. J. (2020). Artificial intelligence in medical devices and clinical decision support
systems. In Clinical engineering handbook (pp. 556–568). Elsevier. https://doi.org/10.1016/B978-0-12-
813467-2.00084-5
Sudewo, P. A. (2021). Tantangan Kebijakan Pengawasan Obat dan makanan dalam Mendukung Peningkatan
Daya Saing, Ekonomi dan Bisnis di Indonesia: Sebuah Studi Analisis. Eruditio: Indonesia Journal of Food and
Drug Safety, 1(2), 1–14. https://doi.org/10.54384/ eruditio.v1i2.79
Sultana, A., Maseera, R., Rahamanulla, A., & Misiriya, A. (2023). Emerging of artificial intelligence and
technology in pharmaceuticals. Future Journal of Pharmaceutical Sciences, 9(1), 1–9.
https://doi.org/10.1186/s43094-023-00517-w
Surden, H. (2019). Artificial intelligence and law: An overview. Georgia State University Law Review, 35, 19–22.
Thakkar, S., Slikker Jr, W., Yiannas, F., Silva, P., Blais, B., Chng, K. R., Liu, Z., Adholeya, A., Pappalardo,
F., & Soares, M. da L. C. (2023). Artificial Intelligence and real-world data for drug and food safety–A
Regulatory Science perspective. Regulatory Toxicology and Pharmacology, 140, 105388.
https://doi.org/10.1016/j.yrtph.2023.105388
Thapa, A., Nishad, S., Biswas, D., & Roy, S. (2023). A comprehensive review on artificial intelligence assisted
technologies in food industry. Food Bioscience, 103231. https://doi.org/10.1016/j.fbio.2023.103231
Tsai, C.-M., Chao, C.-J., Chang, Y.-C., Kuo, C.-C. J., Hsiao, A., & Shieh, A. (2023). Challenges and
Opportunities in Medical Artificial Intelligence. APSIPA Transactions on Signal and Information Processing,
12(5). https://doi.org/DOI 10.1561/116.00000152
U.S. Food and Drug Administration. (2023). Using Artificial Intelligence & Machine Learning in the Development of
Drug & Biological Products.
Van den Besselaar, P., & Leydesdorff, L. (1996). Mapping change in scientific specialties: A scientometric
reconstruction of the development of Artificial Intelligence. Journal of the American Society for Information
Science, 47(6), 415–436. https://doi.org/10.1002/(SICI)1097-4571(199606)47:6<415::AID-
ASI3>3.0.CO;2-Y
Venkatesh, K. P., & Brito, G. (2023). Lessons on regulation and implementation from the first FDA-cleared
autonomous AI-Interview with Chairman and Founder of Digital Diagnostics Michael Abramoff.
Healthcare (Amsterdam, Netherlands), 11(2), 100692.

e-ISSN 2721-2440
p-ISSN 2722-7464
Vora, L. K., Gholap, A. D., Jetha, K., Thakur, R. R. S., Solanki, H. K., & Chavda, V. P. (2023). Artificial
Intelligence in Pharmaceutical Technology and Drug Delivery Design. Pharmaceutics, 15(7), 1916.
https://doi.org/10.3390/ pharmaceutics15071916
Whig, P. (2019). Artificial Intelligence and Machine Learning in Business. International Journal on Integrated
Education, 2(2).
Wibowo, A., Prawiraatmadja, W., Siallagan, M., & Lingo, J. (2022). Business Intelligence Approach to Market
Research on Food Commodity By Using Big Data Analysis, Case Study: Forum Jual Beli Kaskus. Central
Asia & the Caucasus (14046091), 23(1). https://doi.org/10.37178/ca-c.23.1.311
World Economic Forum. (2023). Scaling Smart Solutions with AI in Health: Unlocking Impact in High-Potentioal Uses
Cases (Insight Report).
Yuan, S., Shao, Z., Wei, X., Tang, J., Hall, W., Wang, Y., Wang, Y., & Wang, Y. (2020). Science behind AI:
The evolution of trend, mobility, and collaboration. Scientometrics, 124, 993–1013.
https://doi.org/10.1007/s11192-020-03423-7
Zed, M. (2008). Metodologi Kepustakaan. Yayasan Obor Indonesia.

[journal] Analisis Risiko dan Peluang Artificial Intelligence dalam Proses Bisnis Pengawasan Obat dan Makanan.pdf

Recommended

Recommended

More Related Content

Similar to [journal] Analisis Risiko dan Peluang Artificial Intelligence dalam Proses Bisnis Pengawasan Obat dan Makanan.pdf

Similar to [journal] Analisis Risiko dan Peluang Artificial Intelligence dalam Proses Bisnis Pengawasan Obat dan Makanan.pdf (20)

Recently uploaded

Recently uploaded (20)

[journal] Analisis Risiko dan Peluang Artificial Intelligence dalam Proses Bisnis Pengawasan Obat dan Makanan.pdf